75、感知不确定下的定位规划

感知不确定下的定位规划

在机器人定位规划中，感知不确定性是一个重要的问题。不同的环境、传感器以及不确定性因素，都会对机器人的定位产生影响。下面将详细探讨在不同场景下的机器人定位规划方法。

1. 搜索问题中的成本与信息改进

在搜索问题中，与以往不同，这里存在一种新的成本。搜索不再是在搜索树中随意跳跃，而是机器人要走过一条连续的长路径，这种跳跃可称为重路由路径。

在信息改进方面，机器人可能无法回到之前的非确定性信息状态（I - state）。例如，机器人执行动作序列 (F, F, R) 后，再尝试用 (B, L, F) 回到相同状态，虽然能知道回到了同一位置，但状态仍不确定。不过，执行 (F, F, R) 后，可能会缩小当前状态的可能性范围。当用 (B, L, F) 返回时，非确定性 I - state 会有所不同。

这意味着搜索算法需要考虑机器人移动的成本，并且搜索图是有向的。虽然回到同一位置时 I - state 可能不同，但它至少和之前的一样好。即如果 η1 和 η2 分别是同一位置的原始和后续历史 I - state，那么总有 X(η2) ⊆ X(η1)，在这种定位问题中，信息总是在不断改进。所以，当机器人尝试回到之前的 I - state 时，会找到一个更优的 I - state。

2. 其他信息模型

2.1 携带指南针的情况

如果机器人携带一个能始终指示方向的指南针，就无需将方向作为状态的一部分进行跟踪。机器人可以直接根据全局方向指定动作。例如，设动作集 U = {N, E, W, S}，分别表示“北”“东”“西”“南”。对于某些之前的问题，如示例中的问题，现在可以轻松解决。像示例 1